A Scientific Reports folyóiratban megjelent cikkben Olar Alex PhD hallgató és Prof. Dr. Csabai István és kollégái mutatnak be egy díjnyertes módszert, amely mesterséges intelligenciával segíti a mellkas-röntgenfelvételek kiértékelését.
Az elmúlt néhány évben a COVID-19 rengeteg súlyos esettel terhelte az egészségügyi rendszereket világszerte. A járvány egyik első hulláma súlyosan érintette Észak-Olaszországot, ami nagyszámú áldozatot követelt, és az alapellátás szinte teljesen összeomlott. E tények miatt 2022. február elején elindult a Covid CXR Hackathon-Artificial Intelligence for Covid-19 prognosis: aiming at accuracy and explainability challenge ("Covid CXR Hackathon - Mesterséges intelligencia a Covid-19 prognózisához: cél a pontosság és a megmagyarázhatóság" kihívása), amely egy új képalkotó adatállományt tett közzé, amely minden egyes kísérő mellkas-röntgenfelvétel (CXR) további klinikai metaadatokat tartalmaz. Ez a cikk összefoglalaja a COVID-19 kimenetelének súlyosságára vonatkozó, a felvételkor gyűjtött mellkasi röntgenfelvételek helyes diagnosztizálására szolgáló technikákat. Az eszköz röntgenképek mellett klinikai metaadatokat is szolgáltat, és a kihívás célja egy magyarázható modell létrehozása is volt. Létrehoztak egy legjobban teljesítő, valamint egy megmagyarázható modellt, amely a klinikai metaadatokat igyekszik leképezni a képi jellemzőkhöz, miközben előrejelzi a prognózist. Számos ablációs vizsgálatot is végeztek annak érdekében, hogy azonosítsák a modellek kulcsfontosságú részeit és az egyes jellemzők előrejelző erejét az adatkészletekben. Arra a következtetésre jutottank, hogy a felvételkor készült CXR-felvételek önmagukban nem segítik jelentősen a metaadatok előrejelző erejét, és többnyire olyan információkat tartalmaznak, amelyek kölcsönösen jelen vannak a felvételkor gyűjtött vérmintákban és egyéb klinikai tényezőkben is.
A teljes cikk itt olvasható.
Referencia: Olar A, Biricz A, Bedőházi Z, Sulyok B, Pollner P, Csabai I. Automated prediction of COVID-19 severity upon admission by chest X-ray images and clinical metadata aiming at accuracy and explainability. Sci Rep. 2023 Mar 14;13(1):4226.
